核心用法
该工具专为解决中文餐饮平台信息碎片化、评价可信度参差的问题而设计。用户输入地理位置（城市/行政区）和 cuisine 类型后，系统自动并行抓取大众点评和小红书的餐厅数据，通过模糊匹配算法识别同一餐厅在不同平台的记录，最终输出带有"置信度评分"的推荐列表。
典型工作流程：
1. 双源数据采集：大众点评侧重结构化评分（星级、人均、地址标签），小红书侧重UGC内容（笔记热度、情感倾向、关键词云）
2. 智能匹配对齐：基于Levenshtein距离和地址相似度，处理连锁分店命名差异（如"海底捞"vs"海底捞静安店"）
3. 一致性校验引擎：计算三大维度的相关系数——评分相关性、热度-评分吻合度、情感对齐度，生成0-1区间的一致性分数
4. 加权推荐排序：综合大众点评评分(40%)、小红书热度(30%)、跨平台一致性(30%)，输出0-10分的最终推荐指数
输出特色： 除常规信息外，特别标注"平台对比标签"（大众点评官方标签 vs 小红书热词）和"风险提示"（评分与热度背离、异常刷评嫌疑等），帮助用户识别"高分低质"或"网红滤镜"陷阱。
显著优点
- 降噪能力强：通过双源交叉验证，显著降低单一平台刷单/刷评导致的误判
- 中文场景优化：针对大众点评和小红书的反爬机制、命名习惯、标签体系深度定制
- 可解释性输出：不仅给分数，更说明"为什么推荐/不推荐"（一致性高/低的具体原因）
- 灵活阈值配置：支持按餐厅等级（ minimum rating）、热度门槛（ minimum reviews）、结果数量自定义筛选
潜在局限与风险
| 维度 | 具体说明 |
|------|---------|
| **合规灰色地带** | 依赖网页抓取（web scraping）获取数据，违反平台ToS；大众点评明确标注"需商业合作"才能使用官方API |
| **技术脆弱性** | 反爬机制升级可能导致高频失效；需持续维护代理池、Cookie轮换、请求频率策略 |
| **数据时效性** | 抓取结果存在滞后（小时级），无法反映实时排队/停业状态 |
| **匹配误差** | 模糊匹配在极端情况下可能误联（如不同商圈的同名分店），建议 consistency < 0.5 的结果人工复核 |
| **区域覆盖** | 小红书笔记密度在三四线城市显著低于一二线城市，可能导致数据源失衡 |
适合人群
- 美食探店博主/本地生活创作者：快速筛选值得探访的选题
- 商务宴请/约会场景决策者：需要高置信度推荐降低踩雷风险
- 餐饮投资人/竞品分析师：追踪区域热门品类与消费者口碑趋势
- 对"网红滤镜"持警惕态度的普通消费者：希望获得相对客观的决策参考
常规风险提示
- 法律合规：该技能在中国大陆运行存在明确法律风险，可能构成《反不正当竞争法》第十二条规制的"妨碍、破坏其他经营者合法提供的网络产品或者服务正常运行"；建议使用前评估法律后果
- 数据隐私：抓取过程中可能获取用户昵称、头像等个人信息，需遵守《个人信息保护法》最小必要原则
- 结果审慎性：即使 consistency > 0.7，仍建议结合最新实地评价或电话确认营业时间后再前往